Canada Spends Logo

Explore our Budget 2026 analysis

Grant: Alliance Grants

Concordia University

$28,000.00

Integrating Predictive Maintenance Analytics into a Cloud-based CMMS for Smart Work Order Management and Resource Allocation

FY 2023-24

Summary
There is a massive amount of data generated in the maintenance practices as related to components of buildings, facilities, and infrastructure. This data is mostly passively stored in databases as maintenance records. Data analytics technologies present an opportunity to turn this large volume of data into useful information and generate knowledge to enhance the performance, reliability, and efficiency of future maintenance practices. In this regard, predictive analytics can be utilized beyond failure prediction and diagnosis (ensuring reliability of physical systems) and towards an intelligent (smart and predictive) management of maintenance activities to enhance resource efficiency. The main objective of the proposed project is to establish R&D into the integration of AI technologies into a cloud-based maintenance administration process with a focus on maintenance work-order management and resource allocation. Using a select set of clustering methods, the set of differentiating attributes (features) and an optimal (minimum) number of clusters are identified to classify work-order management patterns. In addition, a smart resource allocation rule-based systems is designed to assign the staff to the jobs in an intelligent manner such that to reduce resource intensity and improve the cost efficiency. Using decision tree classifiers, the identified patterns from historical data are utilized to generate a set of decision rules for future maintenance projects, establishing a predictive approach toward resource allocation. Finally, a KPIs-based assessment system will be developed as a means of providing feedback to the above AI-based algorithms for validation and improvement purposes. Il existe une énorme quantité de données générées dans les pratiques de maintenance en ce qui concerne les composants des bâtiments, des installations et des infrastructures. Ces données sont principalement stockées passivement dans des bases de données en tant qu'enregistrements de maintenance. Les technologies d'analyse de données offrent la possibilité de transformer ce grand volume de données en informations utiles et de générer des connaissances pour améliorer les performances, la fiabilité et l'efficacité des futures pratiques de maintenance. À cet égard, l'analyse prédictive peut être utilisée au-delà de la prédiction et du diagnostic de défaillance (assurant la fiabilité des systèmes physiques) et vers une gestion intelligente (intelligente et prédictive) des activités de maintenance pour améliorer l'efficacité des ressources. L'objectif principal du projet proposé est d'établir la R&D dans l'intégration des technologies de l'IA dans un processus d'administration de maintenance basé sur le cloud en mettant l'accent sur la gestion des ordres de travail de maintenance et l'allocation des ressources. En utilisant un ensemble sélectionné de méthodes de clustering, l'ensemble d'attributs de différenciation (fonctionnalités) et un nombre optimal (minimum) de clusters sont identifiés pour classer les modèles de gestion des ordres de travail. En outre, un système intelligent basé sur des règles d'allocation des ressources est conçu pour affecter le personnel aux tâches de manière intelligente de manière à réduire l'intensité des ressources et à améliorer la rentabilité. À l'aide de classificateurs d'arbre de décision, les modèles identifiés à partir de données historiques sont utilisés pour générer un ensemble de règles de décision pour les futurs projets de maintenance, établissant une approche prédictive de l'allocation des ressources. Enfin, un système d'évaluation basé sur des KPIs sera développé afin de fournir un retour d'informations aux algorithmes basés sur l'IA ci-dessus à des fins de validation et d'amélioration.
Program
Alliance Grants
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data

As published

Application id
549993-2020
Name nom
Nasiri, Fuzhan F
Department département
Building, Civil and Environmental Engineering
Organization id
70
Institution établissement
Concordia University
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2023
Competition year année de concours
2020
Award amount
28000
Program id
ALLRP
Program name en
Alliance Grants
Program name fr
Subventions Alliance
Group en
RESEARCH PARTNERSHIPS
Group fr
PARTENARIATS DE RECHERCHE
Committee code
96
Committee name en
RPP Internal Decision Cttee
Committee name fr
Cté de décision interne - PPR
Area of application code
1206
Area of application group en
Advancement of knowledge
Area of application group fr
Avancement des connaissances
Area of application en
Engineering
Area of application fr
Génie
Research subject code
1150
Research subject group en
Systems engineering
Research subject group fr
Systems engineering
Research subject en
Génie des systèmes
Research subject fr
Génie des systèmes
Application title
Integrating Predictive Maintenance Analytics into a Cloud-based CMMS for Smart Work Order Management and Resource Allocation
Keyword
Artificial Inteligence; Building Operations; Building Systems; Condition Monitoring; Facilities Management; Failure Detection; Machine Learning; Predictive Maintenance; Reliability Analysis; Scheduling
Application summary
There is a massive amount of data generated in the maintenance practices as related to components of buildings, facilities, and infrastructure. This data is mostly passively stored in databases as maintenance records. Data analytics technologies present an opportunity to turn this large volume of data into useful information and generate knowledge to enhance the performance, reliability, and efficiency of future maintenance practices. In this regard, predictive analytics can be utilized beyond failure prediction and diagnosis (ensuring reliability of physical systems) and towards an intelligent (smart and predictive) management of maintenance activities to enhance resource efficiency. The main objective of the proposed project is to establish R&D into the integration of AI technologies into a cloud-based maintenance administration process with a focus on maintenance work-order management and resource allocation. Using a select set of clustering methods, the set of differentiating attributes (features) and an optimal (minimum) number of clusters are identified to classify work-order management patterns. In addition, a smart resource allocation rule-based systems is designed to assign the staff to the jobs in an intelligent manner such that to reduce resource intensity and improve the cost efficiency. Using decision tree classifiers, the identified patterns from historical data are utilized to generate a set of decision rules for future maintenance projects, establishing a predictive approach toward resource allocation. Finally, a KPIs-based assessment system will be developed as a means of providing feedback to the above AI-based algorithms for validation and improvement purposes. Il existe une énorme quantité de données générées dans les pratiques de maintenance en ce qui concerne les composants des bâtiments, des installations et des infrastructures. Ces données sont principalement stockées passivement dans des bases de données en tant qu'enregistrements de maintenance. Les technologies d'analyse de données offrent la possibilité de transformer ce grand volume de données en informations utiles et de générer des connaissances pour améliorer les performances, la fiabilité et l'efficacité des futures pratiques de maintenance. À cet égard, l'analyse prédictive peut être utilisée au-delà de la prédiction et du diagnostic de défaillance (assurant la fiabilité des systèmes physiques) et vers une gestion intelligente (intelligente et prédictive) des activités de maintenance pour améliorer l'efficacité des ressources. L'objectif principal du projet proposé est d'établir la R&D dans l'intégration des technologies de l'IA dans un processus d'administration de maintenance basé sur le cloud en mettant l'accent sur la gestion des ordres de travail de maintenance et l'allocation des ressources. En utilisant un ensemble sélectionné de méthodes de clustering, l'ensemble d'attributs de différenciation (fonctionnalités) et un nombre optimal (minimum) de clusters sont identifiés pour classer les modèles de gestion des ordres de travail. En outre, un système intelligent basé sur des règles d'allocation des ressources est conçu pour affecter le personnel aux tâches de manière intelligente de manière à réduire l'intensité des ressources et à améliorer la rentabilité. À l'aide de classificateurs d'arbre de décision, les modèles identifiés à partir de données historiques sont utilisés pour générer un ensemble de règles de décision pour les futurs projets de maintenance, établissant une approche prédictive de l'allocation des ressources. Enfin, un système d'évaluation basé sur des KPIs sera développé afin de fournir un retour d'informations aux algorithmes basés sur l'IA ci-dessus à des fins de validation et d'amélioration.
Concordia University - $28,000 Grant (2023-24) | Canada Spends